CN112148596A - 生成深度学习框架的报错内容的方法、装置 - Google Patents

生成深度学习框架的报错内容的方法、装置 Download PDF

Info

Publication number
CN112148596A
CN112148596A CN202010969161.7A CN202010969161A CN112148596A CN 112148596 A CN112148596 A CN 112148596A CN 202010969161 A CN202010969161 A CN 202010969161A CN 112148596 A CN112148596 A CN 112148596A
Authority
CN
China
Prior art keywords
error
file
deep learning
learning framework
code
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010969161.7A
Other languages
English (en)
Other versions
CN112148596B (zh
Inventor
周威
蓝翔
陈威行
骆涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010969161.7A priority Critical patent/CN112148596B/zh
Publication of CN112148596A publication Critical patent/CN112148596A/zh
Priority to EP21164387.9A priority patent/EP3968161B1/en
Priority to US17/211,680 priority patent/US11544140B2/en
Priority to JP2021131950A priority patent/JP7135256B2/ja
Priority to KR1020210110335A priority patent/KR20220036332A/ko
Application granted granted Critical
Publication of CN112148596B publication Critical patent/CN112148596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0775—Content or structure details of the error report, e.g. specific table structure, specific error fields
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/08—Error detection or correction by redundancy in data representation, e.g. by using checking codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3692—Test management for test results analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Information Transfer Between Computers (AREA)
  • Debugging And Monitoring (AREA)
  • Telephone Function (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请公开了一种生成深度学习框架的报错内容的方法、装置、电子设备和可读存储介质，涉及深度学习技术领域。本申请在进行生成深度学习框架的报错内容时所采用的实现方案为：获取错误码以及所述错误码对应的错误信息；根据所述错误码及其对应的错误信息生成错误文件，并将所述错误文件打包到深度学习框架；运行所述深度学习框架，响应于所述深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息；根据所述错误信息生成报错内容。本申请能够自动生成包含更为丰富的信息的报错内容。

Description

生成深度学习框架的报错内容的方法、装置
技术领域
本申请涉及计算机技术领域，尤其涉及深度学习技术领域中的一种生成深度学习框架的报错内容的方法、装置、电子设备和可读存储介质。
背景技术
深度学习框架作为人工智能领域的基础研究工具，极大地方便了相关领域的开发人员。但由于深度学习框架本身的复杂性，开发人员在使用深度学习框架进行深度学习模型的训练时，会调用大量的第三方库应用程序接口API来实现相应的功能。
而深度学习框架在调用第三方库API时会出现调用失败的问题，但现有技术在出现深度学习框架调用API失败之后，仅会将第三方库返回的错误码向开发人员进行显示，导致开发人员无法得知更为详细的错误信息，从而增加了开发人员的开发成本，降低了开发人员的开发效率。
发明内容
本申请为解决技术问题所采用的技术方案是提供一种生成深度学习框架的报错内容的方法，包括：获取错误码以及所述错误码对应的错误信息；根据所述错误码及其对应的错误信息生成错误文件，并将所述错误文件打包到深度学习框架；运行所述深度学习框架，响应于所述深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息；根据所述错误信息生成报错内容。
本申请为解决技术问题所采用的技术方案是提供一种生成深度学习框架的报错内容的装置，包括：获取单元，用于获取错误码以及所述错误码对应的错误信息；处理单元，用于根据所述错误码及其对应的错误信息生成错误文件，并将所述错误文件打包到深度学习框架；报错单元，用于运行所述深度学习框架，响应于所述深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息；生成单元，用于根据所述错误信息生成报错内容。
一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行上述方法。
上述申请中的一个实施例具有如下优点或有益效果：本申请能够实现报错内容的自动生成，使得所生成的报错内容中包含更为丰富的信息。因为采用了从错误文件中提取与错误码对应的错误信息的技术手段，所以克服了现有技术中深度学习框架在调用第三方库API失败而仅会得到第三方库返回的错误码的技术问题，实现了自动生成包含更为丰富的信息的报错内容的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是用来实现本申请实施例的生成深度学习框架的报错内容的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请第一实施例的示意图。如图1中所示，本实施例的深度学习框架生成报错内容的方法，具体可以包括如下步骤：
S101、获取错误码以及所述错误码对应的错误信息；
S102、根据所述错误码及其对应的错误信息生成错误文件，并将所述错误文件打包到深度学习框架；
S103、运行所述深度学习框架，响应于所述深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息；
S104、根据所述错误信息生成报错内容。
本实施例的深度学习框架生成报错内容的方法，根据错误码以及错误码对应的错误信息生成错误文件，从而得到包含错误文件的深度学习框架，使得深度学习框架在运行过程中出现第三方库API(Application Programming Interface，应用程序接口)的调用失败时，从报错文件中提取与第三方库返回的错误码对应的错误信息，进而根据错误信息来生成报错内容，能够实现报错内容的自动生成，使得所生成的报错内容中包含更为丰富的信息。
本实施例执行步骤S101所获取的错误码，用于标识深度学习框架在调用第三方库API出现失败时的错误类型，由于不同原因调用API出现错误时对应不同的错误码。由于第三方库针对不同的错误类型会预先配置不同的错误码，因此本实施例可以通过访问第三方库来实现错误码的获取。
本实施例在执行S101获取错误码之后，获取与错误码对应的错误信息，所获取的错误信息用于详细描述错误的发生原因、解决方法等的内容。其中，本实施例可以通过爬虫代码，自动地从互联网中爬取与错误码对应的网页、文档、网址等内容作为与错误码对应的错误信息；也可以由开发人员通过手动来编写与错误码对应的错误信息。
可以理解的是，本实施例执行S101所获取的错误码的个数可以为一个，也可以为多个；若获取了多个错误码，则本实施例需要分别获取与各错误码对应的错误信息。
本实施例在执行S101获取错误码以及错误码对应的错误信息之后，执行S102根据错误码及其对应的错误信息生成错误文件，将所生成的错误文件打包到深度学习框架，从而使得深度学习框架能够解析与错误码所对应的错误信息。
具体地，本实施例在执行S102根据错误码及其对应的错误信息生成错误文件时，可以采用的可选实现方式为：确定深度学习框架使用的编程语言，例如Python语言、C++语言、Java语言等；根据错误码及其对应的错误信息，生成与所确定的编程语言对应的错误文件。
本实施例也可以使用现有的protobuf协议对错误码及其对应的错误信息进行序列化，将序列化后的内容作为错误文件。
也就是说，本实施例执行S102生成的错误文件的语言能够与深度学习框架使用的编程语言对应，避免了由于错误文件与深度学习框架的语言不一致所导致的解析错误码失败的问题，提升了生成报错内容的成功率。
由于第三方库中的API会经常进行更新，导致所生成的错误文件中与API对应的错误码具有一定的时效性，若错误文件中不包含更新后的错误码，深度学习框架则无法对该错误码对应的错误信息进行解析。
为了尽可能地确保错误文件中包含第三方库中最新的错误码，本实施例在执行S102生成错误文件之后，还可以包含以下内容：记录错误文件的生成时间；响应于当前时间与上次生成时间之间的时间差值达到预设的时间间隔，更新错误文件中的错误码及其对应的错误信息。
另外，为了避免报错文件过大而占用深度学习框架较多的存储空间，本实施例在执行S102将错误文件打包到深度学习框架时，可以采用的可选实现方式为：压缩所生成的错误文件；将错误文件的压缩结果打包到深度学习框架，即深度学习框架中包含经过压缩之后的错误文件。
本实施例在深度学习框架运行之前完成步骤S101以及S102，使得本实施例在执行S103运行深度学习框架时，能够响应于深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从错误文件中提取与所接收到的错误码对应的错误信息。
本实施例在执行S103从错误文件中提取与所接收到的错误码对应的错误信息时，可以在接收到第三方库返回的错误码之后立即执行。
为了确保深度学习框架运行时的稳定性，深度学习框架在调用第三方库API时会有多次重试的机制，即经过多次重试之后仍然调用失败，才会最终确定深度学习框架调用第三方库API失败，进而再获取第三方库由于调用失败所返回的错误码对应的错误信息。
因此，本实施例在执行S103响应于深度学习框架在调用第三方库API出现错误而接收第三方库返回的错误码，从错误文件中提取与所接收到的错误码对应的错误信息时，可以采用的可选实现方式为：确定深度学习框架当前调用的第三方库API所对应的重试次数；响应于深度学习框架经过重试次数之后调用第三方库API出现错误而接收第三方库返回的错误码，从错误文件中提取与所接收到的错误码对应的错误信息。
也就是说，本实施例中的深度学习框架只有经过多次重试仍然调用失败之后，才会从错误文件中提取与错误码对应的错误信息，能够提升深度学习框架的稳定性，并且避免了计算资源的浪费，提升了错误信息获取的准确性。
另外，若本实施例在执行S102时将错误文件进行了压缩，则本实施例执行S103从错误文件中提取与所接收到的错误码对应的错误信息时，可以采用的可选实现方式为：确定深度学习框架中是否包含错误文件的解压缩结果；若是，则从解压缩结果中提取与所接收到的错误码对应的错误信息；否则将错误文件进行解压缩之后，从解压缩结果中提取与所接收到的错误码对应的错误信息。
举例来说，若本实施例在执行S102时使用protobuf协议对错误码及其对应的错误信息进行序列化而得到了错误文件，则本实施例在执行S103时可以首先使用protobuf协议将错误文件进行反序列化，然后再从反序列化结果中提取与所接收到的错误码对应的错误信息。
本实施例在执行S103从错误文件中提取与所接收到的错误码对应的错误信息之后，执行S104根据提取的错误信息来生成报错内容，并进一步将报错内容显示给用户，例如将报错内容进行打印或者直接在屏幕中进行显示。
可以理解的是，本实施例在执行S104时可以直接将所提取的错误信息作为错误内容。而为了进一步丰富错误内容中所包含的信息，本实施例在执行S104根据错误信息生成报错内容时，可以采用的可选实现方式为：将预设的特定信息与错误信息进行拼接，将拼接结果作为报错内容。
其中，本实施例中的预设的特定信息可以为深度学习框架本次调用第三方库API的调用栈信息、调用次数信息以及调用时间信息。
通过本实施例所提供的上述方法，使得深度学习框架在调用第三方库API出现错误而接收到第三方库返回的错误码时，能够根据包含在深度学习框架中的错误文件实现对错误码进行自动解析，从而获取包含错误信息在内的更为丰富的报错内容，极大地降低了开发人员的开发成本，提升了开发人员的开发效率。
图2是根据本申请第二实施例的示意图。如图2中所示，本实施例的生成深度学习框架的报错内容的装置，包括：
获取单元201、用于获取错误码以及所述错误码对应的错误信息；
处理单元202、用于根据所述错误码及其对应的错误信息生成错误文件，并将所述错误文件打包到深度学习框架；
报错单元203、用于运行所述深度学习框架，响应于所述深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息；
生成单元204、用于根据所述错误信息生成报错内容。
获取单元201所获取的错误码，用于标识深度学习框架在调用第三方库API出现失败时的错误类型，由于不同原因调用API出现错误时对应不同的错误码。由于第三方库针对不同的错误类型会预先配置不同的错误码，因此获取单元201可以通过访问第三方库来实现错误码的获取。
获取单元201在获取错误码之后，获取与错误码对应的错误信息，所获取的错误信息用于详细描述错误的发生原因、解决方法等的内容。其中，获取单元201可以通过爬虫代码，自动地从互联网中爬取与错误码对应的网页、文档、网址等内容作为与错误码对应的错误信息；获取单元201也可以由开发人员通过手动来编写与错误码对应的错误信息。
可以理解的是，获取单元201所获取的错误码的个数可以为一个，也可以为多个；若获取了多个错误码，则获取单元201需要分别获取与各错误码对应的错误信息。
获取单元201在获取错误码以及错误码对应的错误信息之后，由处理单元202根据错误码及其对应的错误信息生成错误文件，将所生成的错误文件打包到深度学习框架，从而使得深度学习框架能够解析与错误码所对应的错误信息。
具体地，处理单元202在根据错误码及其对应的错误信息生成错误文件时，可以采用的可选实现方式为：确定深度学习框架使用的编程语言；根据错误码及其对应的错误信息，生成与所确定的编程语言对应的错误文件。
处理单元202也可以使用现有的protobuf协议对错误码及其对应的错误信息进行序列化，将序列化后的内容作为错误文件。
也就是说，处理单元202生成的错误文件的语言能够与深度学习框架使用的编程语言对应，避免了由于错误文件与深度学习框架的语言不一致所导致的解析错误码失败的问题，提升了生成报错内容的成功率。
由于第三方库中的API会经常进行更新，导致所生成的错误文件中与API对应的错误码具有一定的时效性，若错误文件中不包含更新后的错误码，深度学习框架则无法对该错误码对应的错误信息进行解析。
为了尽可能地确保错误文件中包含第三方库中最新的错误码，处理单元202在生成错误文件之后，还可以包含以下内容：记录错误文件的生成时间；响应于当前时间与上次生成时间之间的时间差值达到预设的时间间隔，更新错误文件中的错误码及其对应的错误信息。
另外，为了避免报错文件过大而占用深度学习框架较多的存储空间，处理单元202在将错误文件打包到深度学习框架时，可以采用的可选实现方式为：压缩所生成的错误文件；将错误文件的压缩结果打包到深度学习框架，即深度学习框架中包含经过压缩之后的错误文件。
报错单元203从错误文件中提取与所接收到的错误码对应的错误信息时，可以在接收到第三方库返回的错误码之后立即执行。
为了确保深度学习框架运行时的稳定性，深度学习框架在调用第三方库API时会有多次重试的机制，即经过多次重试之后仍然调用失败，才会最终确定深度学习框架调用第三方库API失败，进而再获取第三方库由于调用失败所返回的错误码对应的错误信息。
因此，报错单元203在响应于深度学习框架在调用第三方库API出现错误而接收第三方库返回的错误码，从错误文件中提取与所接收到的错误码对应的错误信息时，可以采用的可选实现方式为：确定深度学习框架当前调用的第三方库API所对应的重试次数；响应于深度学习框架经过重试次数之后调用第三方库API出现错误而接收第三方库返回的错误码，从错误文件中提取与所接收到的错误码对应的错误信息。
也就是说，本实施例中的深度学习框架只有经过多次重试仍然调用失败之后，才会从错误文件中提取与错误码对应的错误信息，能够提升深度学习框架的稳定性，并且避免了计算资源的浪费，提升了错误信息获取的准确性。
另外，若处理单元202将错误文件进行了压缩，则报错单元203从错误文件中提取与所接收到的错误码对应的错误信息时，可以采用的可选实现方式为：确定深度学习框架中是否包含错误文件的解压缩结果；若是，则从解压缩结果中提取与所接收到的错误码对应的错误信息；否则将错误文件进行解压缩之后，从解压缩结果中提取与所接收到的错误码对应的错误信息。
报错单元203在从错误文件中提取与所接收到的错误码对应的错误信息之后，由生成单元204根据提取的错误信息来生成报错内容，并进一步将报错内容显示给用户。
可以理解的是，生成单元204可以直接将所提取的错误信息作为错误内容。而为了进一步丰富错误内容中所包含的信息，生成单元204在根据错误信息生成报错内容时，可以采用的可选实现方式为：将预设的特定信息与错误信息进行拼接，将拼接结果作为报错内容。
其中，生成单元204中的预设的特定信息可以为深度学习框架本次调用第三方库API的调用栈信息、调用次数信息以及调用时间信息。
根据本申请的实施例，本申请还提供了一种电子设备和一种计算机可读存储介质。
如图3所示，是根据本申请实施例的生成深度学习框架的报错内容的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图3所示，该电子设备包括：一个或多个处理器301、存储器302，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图3中以一个处理器301为例。
存储器302即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的生成深度学习框架的报错内容的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的生成深度学习框架的报错内容的方法。
存储器302作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的搜索表情图片的的方法对应的程序指令/模块(例如，附图2所示的获取单元201、处理单元202、报错单元203以及生成单元204)。处理器301通过运行存储在存储器302中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的生成深度学习框架的报错内容的方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据的电子设备的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至生成深度学习框架的报错内容的方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
生成深度学习框架的报错内容的方法的电子设备还可以包括：输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。
输入装置303可接收输入的数字或字符信息，以及产生与生成深度学习框架的报错内容的方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置304可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，使得深度学习框架在调用第三方库API出现错误而接收到第三方库返回的错误码时，能够根据包含在深度学习框架中的错误文件实现对错误码进行自动解析，从而获取包含错误信息在内的更为丰富的报错内容，极大地降低了开发人员的开发成本，提升了开发人员的开发效率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种生成深度学习框架的报错内容的方法，包括：
获取错误码以及所述错误码对应的错误信息；
根据所述错误码及其对应的错误信息生成错误文件，并将所述错误文件打包到深度学习框架；
运行所述深度学习框架，响应于所述深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息；
根据所述错误信息生成报错内容。
2.根据权利要求1所述的方法，其中，所述根据所述错误码及其对应的错误信息生成错误文件包括：
确定深度学习框架使用的编程语言；
根据所述错误码及其对应的错误信息，生成与所确定的编程语言对应的错误文件。
3.根据权利要求1或2所述的方法，其中，所述将所述错误文件打包到深度学习框架包括：
压缩所述错误文件；
将所述错误文件的压缩结果打包到所述深度学习框架。
4.根据权利要求1所述的方法，还包括，
在根据所述错误码及其对应的错误信息生成错误文件之后，记录所述错误文件的生成时间；
响应于当前时间与上次生成时间之间的时间差值达到预设的时间间隔，更新所述错误文件中的错误码及其对应的错误信息。
5.根据权利要求1所述的方法，其中，所述响应于所述深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息包括：
确定所述深度学习框架当前调用的第三方库API所对应的重试次数；
响应于所述深度学习框架经过重试次数之后调用第三方库API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息。
6.根据权利要求3所述的方法，其中，所述从所述错误文件中提取与所接收到的错误码对应的错误信息包括：
确定所述深度学习框架中是否包含所述错误文件的解压缩结果；
若是，则从解压缩结果中提取与所接收到的错误码对应的错误信息；
否则将所述错误文件进行解压缩之后，从解压缩结果中提取与所接收到的错误码对应的错误信息。
7.根据权利要求1所述的方法，其中，所述根据所述错误信息生成报错内容包括：
将预设的特定信息与所述错误信息进行拼接，将拼接结果作为所述报错内容。
8.一种生成深度学习框架的报错内容的装置，包括：
获取单元，用于获取错误码以及所述错误码对应的错误信息；
处理单元，用于根据所述错误码及其对应的错误信息生成错误文件，并将所述错误文件打包到深度学习框架；
报错单元，用于运行所述深度学习框架，响应于所述深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息；
生成单元，用于根据所述错误信息生成报错内容。
9.根据权利要求8所述的装置，其中，所述获取单元在根据所述错误码及其对应的错误信息生成错误文件时，具体执行：
确定深度学习框架使用的编程语言；
根据所述错误码及其对应的错误信息，生成与所确定的编程语言对应的错误文件。
10.根据权利要求8或9所述的装置，其中，所述处理单元在将所述错误文件打包到深度学习框架时，具体执行：
压缩所述错误文件；
将所述错误文件的压缩结果打包到所述深度学习框架。
11.根据权利要求8所述的装置，还包括，
所述生成单元在根据所述错误码及其对应的错误信息生成错误文件之后，记录所述错误文件的生成时间；
响应于当前时间与上次生成时间之间的时间差值达到预设的时间间隔，更新所述错误文件中的错误码及其对应的错误信息。
12.根据权利要求8所述的装置，其中，所述报错单元在响应于所述深度学习框架在调用第三方库应用程序接口API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息时，具体执行：
确定所述深度学习框架当前调用的第三方库API所对应的重试次数；
响应于所述深度学习框架经过重试次数之后调用第三方库API出现错误而接收第三方库返回的错误码，从所述错误文件中提取与所接收到的错误码对应的错误信息。
13.根据权利要求10所述的装置，其中，所述报错单元在从所述错误文件中提取与所接收到的错误码对应的错误信息时，具体执行：
确定所述深度学习框架中是否包含所述错误文件的解压缩结果；
若是，则从解压缩结果中提取与所接收到的错误码对应的错误信息；
否则将所述错误文件进行解压缩之后，从解压缩结果中提取与所接收到的错误码对应的错误信息。
14.根据权利要求8所述的装置，其中，所述生成单元在根据所述错误信息生成报错内容时，具体执行：
将预设的特定信息与所述错误信息进行拼接，将拼接结果作为所述报错内容。
15.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
CN202010969161.7A 2020-09-15 2020-09-15 生成深度学习框架的报错内容的方法、装置 Active CN112148596B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010969161.7A CN112148596B (zh) 2020-09-15 2020-09-15 生成深度学习框架的报错内容的方法、装置
EP21164387.9A EP3968161B1 (en) 2020-09-15 2021-03-23 Method and apparatus for generating error reporting content of deep learning framework
US17/211,680 US11544140B2 (en) 2020-09-15 2021-03-24 Method and apparatus for generating error reporting content of deep learning framework
JP2021131950A JP7135256B2 (ja) 2020-09-15 2021-08-13 ディープラーニングフレームワークのエラー通知内容を生成する方法、装置
KR1020210110335A KR20220036332A (ko) 2020-09-15 2021-08-20 딥 러닝 프레임 워크의 오류 보고 내용 생성 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010969161.7A CN112148596B (zh) 2020-09-15 2020-09-15 生成深度学习框架的报错内容的方法、装置

Publications (2)

Publication Number Publication Date
CN112148596A true CN112148596A (zh) 2020-12-29
CN112148596B CN112148596B (zh) 2024-03-22

Family

ID=73892688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010969161.7A Active CN112148596B (zh) 2020-09-15 2020-09-15 生成深度学习框架的报错内容的方法、装置

Country Status (5)

Country Link
US (1) US11544140B2 (zh)
EP (1) EP3968161B1 (zh)
JP (1) JP7135256B2 (zh)
KR (1) KR20220036332A (zh)
CN (1) CN112148596B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114546706A (zh) * 2022-03-08 2022-05-27 哈尔滨禹晖文化传媒有限公司 一种应用于深度学习的应用程序缺陷分析方法及服务器

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108255627A (zh) * 2016-12-28 2018-07-06 深圳市优朋普乐传媒发展有限公司 一种视频播放系统的错误处理方法及设备
US20190188070A1 (en) * 2017-12-15 2019-06-20 Wipro Limited Method and system for resolving error in open stack operating system
CN110347560A (zh) * 2019-07-19 2019-10-18 深圳前海微众银行股份有限公司 大数据产品的异常提示方法、装置、系统、设备及介质
CN110928715A (zh) * 2019-10-22 2020-03-27 北京字节跳动网络技术有限公司 一种提示错误描述信息的方法、装置、介质和电子设备

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5724503A (en) 1995-03-31 1998-03-03 Sun Microsystems, Inc. Method and apparatus for interpreting exceptions in a distributed object system
US6973643B2 (en) 2001-08-17 2005-12-06 International Business Machines Corporation Method, system and program for handling errors occurring in function calls
JP2006127496A (ja) 2004-10-01 2006-05-18 Matsushita Electric Ind Co Ltd Ａｐｉ仕様検証装置及び方法、当該方法を実行させるプログラム、当該プログラムを格納する記憶媒体
JP4539990B2 (ja) 2006-02-07 2010-09-08 日立オムロンターミナルソリューションズ株式会社 エラーコードに対応するエラーメッセージ処理技術
WO2009108562A2 (en) * 2008-02-25 2009-09-03 Rambus Inc. Code-assisted error-detection technique
JP5910356B2 (ja) * 2012-06-29 2016-04-27 富士通株式会社 電子装置、電子装置制御方法及び電子装置制御プログラム
JP6438842B2 (ja) 2015-05-20 2018-12-19 日本電信電話株式会社 管理装置、管理システムおよび管理プログラム
CN105550059A (zh) * 2015-12-09 2016-05-04 中国建设银行股份有限公司 一种错误码转换方法及设备
CN106127248A (zh) 2016-06-24 2016-11-16 平安科技（深圳）有限公司 基于深度学习的车牌分类方法及系统
CN109285091B (zh) 2017-07-21 2023-08-18 伊姆西Ip控股有限责任公司 服务咨询系统和方法
US10649882B2 (en) * 2017-08-29 2020-05-12 Fmr Llc Automated log analysis and problem solving using intelligent operation and deep learning
US20210294707A1 (en) * 2020-03-20 2021-09-23 Nvidia Corporation Techniques for memory error isolation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108255627A (zh) * 2016-12-28 2018-07-06 深圳市优朋普乐传媒发展有限公司 一种视频播放系统的错误处理方法及设备
US20190188070A1 (en) * 2017-12-15 2019-06-20 Wipro Limited Method and system for resolving error in open stack operating system
CN110347560A (zh) * 2019-07-19 2019-10-18 深圳前海微众银行股份有限公司 大数据产品的异常提示方法、装置、系统、设备及介质
CN110928715A (zh) * 2019-10-22 2020-03-27 北京字节跳动网络技术有限公司 一种提示错误描述信息的方法、装置、介质和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
江建慧;吴捷程;孙亚;: "一种基于异常控制流的错误程序行为分析方法", 同济大学学报(自然科学版), no. 07 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114546706A (zh) * 2022-03-08 2022-05-27 哈尔滨禹晖文化传媒有限公司 一种应用于深度学习的应用程序缺陷分析方法及服务器
CN114546706B (zh) * 2022-03-08 2022-11-11 极客邦控股(北京)有限公司 一种应用于深度学习的应用程序缺陷分析方法及服务器

Also Published As

Publication number Publication date
KR20220036332A (ko) 2022-03-22
JP7135256B2 (ja) 2022-09-13
JP2022048985A (ja) 2022-03-28
EP3968161A1 (en) 2022-03-16
US11544140B2 (en) 2023-01-03
US20220083417A1 (en) 2022-03-17
CN112148596B (zh) 2024-03-22
EP3968161B1 (en) 2023-01-25

Similar Documents

Publication Publication Date Title
CN112527748B (zh) 用于分析用户操作行为的方法、装置、设备以及存储介质
US9619449B2 (en) Compact encoding of node locations
EP4006731B1 (en) Method, apparatus, device, storage medium and computer program product for testing code
CN113159807B (zh) 落地页处理方法、装置、设备和介质
CN111813623B (zh) 一种页面监控方法、装置、电子设备及存储介质
CN111984476A (zh) 测试方法和装置
CN111694857A (zh) 存储资源数据的方法、装置、电子设备及计算机可读介质
CN110752968B (zh) 性能基准测试方法、装置、电子设备及存储介质
CN112506854A (zh) 页面模板文件的存储和页面生成方法、装置、设备及介质
CN112015468A (zh) 一种接口文档处理方法、装置、电子设备以及存储介质
WO2022271345A1 (en) Triggering dynamic robotic process automation
CN114035829A (zh) 页面组件更新方法、装置、电子设备以及存储介质
CN112148596B (zh) 生成深度学习框架的报错内容的方法、装置
CN112130888A (zh) 应用程序更新的方法、装置、设备和计算机存储介质
CN111125451A (zh) 数据生产加工方法、装置、电子设备及存储介质
CN115469849B (zh) 一种业务处理系统、方法、电子设备和存储介质
CN111125597A (zh) 网页加载方法、浏览器、电子设备及存储介质
CN115964042A (zh) 菜单的生成方法及装置、存储介质、电子设备
CN114661274A (zh) 用于生成智能合约的方法和装置
CN114510308A (zh) 移动终端存储应用页面的方法、装置、设备和介质
CN114115855A (zh) 代码复用方法及装置、计算机可读存储介质、电子设备
CN111694686A (zh) 一种异常服务的处理方法、装置、电子设备及存储介质
CN111966421A (zh) 页面组件的运行监测方法、装置、设备和存储介质
CN111459887B (zh) 资源筛查方法、装置、电子设备和存储介质
CN111966576A (zh) 异常代码的定位方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant